Гибридный эвристический способ оптимизации множества конкурирующих наборов траекторий полета в национальном воздушном пространстве и система для его осуществления, модель аппроксимации системы имитации воздушного движения

(51) 01 23/00 (2006.01) КОМИТЕТ ПО ПРАВАМ ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ МИНИСТЕРСТВА ЮСТИЦИИ РЕСПУБЛИКИ КАЗАХСТАН ОПИСАНИЕ ИЗОБРЕТЕНИЯ К ПАТЕНТУ СПОСОБ ОПТИМИЗАЦИИ МНОЖЕСТВА КОНКУРИРУЮЩИХ НАБОРОВ ТРАЕКТОРИЙ ПОЛЕТА В НАЦИОНАЛЬНОМ ВОЗДУШНОМ ПРОСТРАНСТВЕ И СИСТЕМА ДЛЯ ЕГО ОСУЩЕСТВЛЕНИЯ,МОДЕЛЬ АППРОКСИМАЦИИ СИСТЕМЫ ИМИТАЦИИ ВОЗДУШНОГО ДВИЖЕНИЯ(57) Гибридная эвристическая оптимизация конкурирующих наборов траекторий полета для полетов через один или более секторов воздушного пространства,представляемого системой воздушного движения. В одном варианте осуществления, процесс гибридной эвристической оптимизации включает в себя один или более основанных на эвристике процессов, процесс генетической оптимизации, процесс оценки,включающий в себя модель аппроксимации, процесс выбора оптимального набора и процесс подтверждения правильности, включающий в себя имитацию системы воздушного движения.(74) Русакова Нина Васильевна Жукова Галина Алексеевна Ляджин Владимир Алексеевич ФОРМУЛА ИЗОБРЕТЕНИЯ 1. Гибридный эвристический способ оптимизации множества конкурирующих наборов траекторий полета для полетов через один или более секторов воздушного пространства,представляемого системой воздушного движения,причем упомянутый способ содержит этапы на которых исполняют, по меньшей мере, один основанный на эвристике процесс для построения последовательных наборов траекторий полета для рассмотрения, при этом, по меньшей мере, один основанный на эвристике процесс включает в себя один или более конфигурируемых параметров,которые применяют при выборе последовательных наборов применяют процесс генетической оптимизации,чтобы идентифицировать, по меньшей мере, один основанный на эвристике процесс согласно его одному или более конфигурируемым параметрам оценивают каждый последовательный набор,построенный, по меньшей мере, одним основанным на эвристике процессом с моделью аппроксимации,которая аппроксимирует систему воздушного движения выбирают оптимальный набор траекторий полета из числа множества конкурирующих наборов траекторий полета на основе результатов упомянутого этапа оценки и используют имитацию системы воздушного движения для подтверждения правильности оптимального набора траекторий полета,выбранных на упомянутом этапе выбора. 2. Способ по п.1, отличающийся тем, что упомянутый этап использования имитации системы воздушного движения содержит функционирование имитатора воздушного движения. 3. Способ по п.1, отличающийся тем, что упомянутое исполнение, по меньшей мере, одного основанного на эвристике процесса содержит этапы,на которых принимают один или более вариантов траектории полета для каждого полета и порядок предпочтения, связанный с вариантами траектории полета для каждого полета назначают полетам их первый вариант траектории полета до тех пор, пока нарушение баланса емкости спроса не рассчитано с использованием модели аппроксимации и после того, как рассчитано нарушение баланса емкости спроса, оценивают один или более дополнительных вариантов траектории полета для полетов до тех пор, пока не восстановлен баланс 26 емкости спроса, и есть оставшиеся варианты траектории полета. 4. Способ по п.1, отличающийся тем, что упомянутое исполнение, по меньшей мере, одного основанного на эвристике процесса, содержит этапы, на которых предполагают проектируемый будущий спрос на воздушное пространство, при этом будущий спрос на воздушное пространство включает в себя множество периодов времени сектора идентифицируют периоды времени сектора, в которых возникают нарушения баланса емкости спроса в пределах проектируемого будущего спроса на воздушное пространство выбирают полеты, которые пролетают через проблематичные периоды времени сектора, для перепланирования оценивают альтернативные варианты траектории полета для выбранных полетов на основе вклада каждого варианта траектории полета в идентифицированное нарушение баланса емкости спроса. 5. Способ по п.1, отличающийся тем, что один или более конфигурируемых параметров,включенных, по меньшей мере, в один основанный на эвристике процесс, включает в себя тип эвристики и один или более пороговых параметров. 6. Способ по п.1, отличающийся тем, что дополнительно содержит этап, на котором исполняют компьютерный программный код, по меньшей мере, на одном процессоре компьютера для выполнения упомянутых этапов исполнения, по меньшей мере, одного основанного на эвристике процесса, применения процесса генетической оптимизации, оценки каждого последовательного набора,выбора оптимального набора и использования имитации системы воздушного движения. 7. Способ по п.6, отличающийся тем, что дополнительно содержит этап, на котором выводят информацию, идентифицирующую траектории полета, включенные в оптимальный набор на устройстве вывода в связи с процессором компьютера. 8. Способ по п.6 отличающийся тем, что дополнительно содержит этап, на котором параллельно исполняют, по меньшей мере, часть компьютерного программного кода внутри многопроцессорной вычислительной среды или распределенной вычислительной среды для выполнения, по меньшей мере, одного из упомянутых этапов исполнения, по меньшей мере,одного основанного на эвристике процесса, 24628 применения процесса генетической оптимизации,оценки каждого последовательного набора и выбора оптимального набора, и использования имитации системы воздушного движения. 9. Способ по п.1, отличающийся тем, что процесс генетической оптимизации содержит процесс многоцелевой генетической оптимизации. 10. Система, которая оптимизирует множество конкурирующих наборов траекторий полета для полетов через один или более секторов воздушного пространства,представляемого системой воздушного движения, причем упомянутая система содержит по меньшей мере, один основанный на эвристике фильтр, который строит последовательные наборы траекторий полета для рассмотрения, при этом, по меньшей мере, один основанный на эвристике фильтр включает в себя один или более конфигурируемых параметров,которые применяются при выборе последовательных наборов генетический оптимизатор,который идентифицирует,по меньшей мере,один основанный на эвристике фильтр согласно его одному или более конфигурируемым параметрам модель аппроксимации системы воздушного движения, которая применима для оценки каждого последовательного набора, построенного, по меньшей мере, одним основанным на эвристике фильтром, при этом результаты оценок каждого последовательного набора аппроксимации используются для выбора оптимального набора траекторий полета из числа множества конкурирующих наборов траекторий полета и имитацию системы воздушного движения,используемую для подтверждения правильности оптимального набора траекторий полета,выбранного в соответствии с результатами оценок каждого последовательного набора моделью аппроксимации. 11. Система по п.10, отличающаяся тем, что упомянутая имитация системы воздушного движения содержит имитатор воздушного движения. 12. Система по п.10, отличающаяся тем, что упомянутый, по меньшей мере, один основанный на эвристике фильтр принимает один или более вариантов траектории полета для каждого полета и порядок предпочтения, связанный с вариантами траектории полета для каждого полета, назначает полетам их первый вариант траектории полета до тех пор, пока нарушение баланса емкости спроса не рассчитывается с использованием модели аппроксимации, а после того, как рассчитано нарушение баланса емкости спроса, оценивает один или более дополнительных вариантов траектории полета для полетов до тех пор, пока не восстановлен баланс емкости спроса, и есть оставшиеся варианты траектории полета. 13. Система по п.10, отличающаяся, тем, что упомянутый, по меньшей мере, один основанный на эвристике фильтр предполагает проектируемый будущий спрос на воздушное пространство,который включает в себя множество периодов времени сектора, идентифицирует периоды времени сектора, в которых возникают нарушения баланса емкости спроса, в пределах проектируемого будущего спроса на воздушное пространство,выбирает полеты, которые пролетают через проблематичные периоды времени сектора для перепланирования и оценивает альтернативные варианты траектории полета для выбранных полетов на основе вклада каждого варианта траектории полета на идентифицированное нарушение баланса емкости спроса. 14. Система по п.10, отличающаяся тем, что один или более конфигурируемых параметров,включенных, по меньшей мере, в один основанный на эвристике процесс, включает в себя тип эвристики и один или более пороговых параметров. 15. Система по п.10, отличающаяся тем, что дополнительно содержит по меньшей мере, один процессор компьютера и один считываемый компьютером программный код, исполняемый упомянутым процессором компьютера, причем упомянутый считываемый компьютером программный код реализует упомянутый, по меньшей мере, один основанный на эвристике фильтр, упомянутый генетический оптимизатор,упомянутую модель аппроксимации системы воздушного движения и упомянутую имитацию системы воздушного движения. 16. Система по п. 15, отличающаяся тем, что дополнительно содержит устройство вывода в связи с упомянутым, по меньшей мере, одним процессором компьютера, посредством которого выводится информация,идентифицирующая траектории полета, включенные в оптимальный набор. 17. Система по п.15, отличающаяся тем, что упомянутый, по меньшей мере, один процессор компьютера включен в пределы многопроцессорной вычислительной среды или распределенной вычислительной среды, и при этом, по меньшей мере, часть компьютерного программного кода является одновременно исполняемой, по меньшей мере,на одном другом процессоре многопроцессорной вычислительной среды или распределенной вычислительной среды для реализации параллельных экземпляров, по меньшей мере, одного из упомянутого, по меньшей мере,одного основанного на эвристике фильтра,упомянутого генетического оптимизатора,упомянутой модели аппроксимации системы воздушного движения и упомянутой имитации системы воздушного движения. 18. Система по п.10, отличающаяся тем, что процесс генетической оптимизации содержит процесс многоцелевой генетической оптимизации. 19. Модель аппроксимации системы имитации 27 24628 воздушного движения, представляющей воздушное пространство, при этом упомянутая модель аппроксимации применима при оптимизации конкурирующих наборов траекторий полета для полетов через один или более секторов воздушного пространства,представленного системой воздушного движения, причем упомянутая модель аппроксимации содержит мелкоячеистую матрицу спроса,формирующуюся непосредственно из четырехмерного информационного множества о движении, включающего в себя информацию о том,какие секторы воздушного пространства пересекаются и во время какого из множества первых периодов времени, для выбранных траекторий полета у полетов, включенных в конкурирующий набор траекторий полета, при этом мелкоячеистая матрица спроса содержит двухмерную матрицу, имеющую строки или столбцы, соответствующие секторам воздушного пространства,и столбцы или строки,соответствующие первым периодам времени с числовыми элементами, указывающими общее количество полетов, которые пересекают каждый сектор во время каждого из первых периодов времени и крупноячеистую матрицу спроса, содержащую двухмерную матрицу, имеющую строки или столбцы, соответствующие секторам воздушного пространства,и столбцы или строки,соответствующие секторам воздушного пространства,и столбцы или строки,соответствующие вторым периодам времени, с числовыми элементами,представляющими количество полетов, которые пересекают каждый сектор во время каждого из вторых периодов времени, при этом каждый второй период времени содержит агрегат данных более чем одного из первых периодов времени. 20. Модель аппроксимации по п.19,отличающаяся тем, что крупноячеистая матрица спроса формируется непосредственно из четырехмерного информационного множества о движении. 21. Модель аппроксимации по п.19,отличающаяся тем, что крупноячеистая матрица спроса рассчитывается из мелкоячеистой матрицы спроса. 22. Модель аппроксимации по п.21,отличающаяся тем, что каждый второй период времени соответствует множеству первых периодов времени, и при этом каждый числовой элемент крупноячеистой матрицы спроса для второго периода времени рассчитывается в качестве функции числовых элементов в соответствующих первых периодах времени мелкоячеистой матрицы спроса. 23. Модель аппроксимации по п.22,отличающаяся тем, что функция, которая рассчитывает каждый числовой элемент крупноячеистой матрицы спроса,содержит максимальное значение числовых элементов в соответствующих первых периодах времени мелкоячеистой матрицы спроса. 24. Модель аппроксимации по п.19,отличающаяся тем, что конкурирующие наборы траекторий полета должны быть оптимизированы для периода в двадцать четыре часа, и при этом есть 480 первых периодов времени в три минуты каждый, и есть 96 вторых периодов времени в пятнадцать минут каждый. 25. Модель аппроксимации по п.19,отличающаяся тем, что дополнительно содержит считываемый компьютером программный код,исполняемый процессором компьютера, причем считываемый компьютером программный код, когда исполняется,рассчитывает упомянутые мелкоячеистую и крупноячеистую матрицы спроса.